論文の概要: INSITE: labelling medical images using submodular functions and semi-supervised data programming

• arxiv url: http://arxiv.org/abs/2402.07173v1
• Date: Sun, 11 Feb 2024 12:02:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-13 17:06:17.420957
• Title: INSITE: labelling medical images using submodular functions and semi-supervised data programming
• Title（参考訳）: insite: サブモジュラー関数と半教師付きデータプログラミングを用いた医用画像のラベリング
• Authors: Akshat Gautam, Anurag Shandilya, Akshit Srivastava, Venkatapathy Subramanian, Ganesh Ramakrishnan, Kshitij Jadhav
• Abstract要約: ディープモデルをトレーニングするための大量のラベル付きデータが、リソース制約された設定の実装ボトルネックを生み出します。 情報サブセット選択を適用し、多数の非競合データから、少数の代表画像や多種多様な画像を識別する。 新たにアノテートされた画像は、いくつかのデータプログラミング駆動ラベリング機能を開発するための例示として使用される。
• 参考スコア（独自算出の注目度）: 19.88996560236578
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The necessity of large amounts of labeled data to train deep models, especially in medical imaging creates an implementation bottleneck in resource-constrained settings. In Insite (labelINg medical imageS usIng submodular funcTions and sEmi-supervised data programming) we apply informed subset selection to identify a small number of most representative or diverse images from a huge pool of unlabelled data subsequently annotated by a domain expert. The newly annotated images are then used as exemplars to develop several data programming-driven labeling functions. These labelling functions output a predicted-label and a similarity score when given an unlabelled image as an input. A consensus is brought amongst the outputs of these labeling functions by using a label aggregator function to assign the final predicted label to each unlabelled data point. We demonstrate that informed subset selection followed by semi-supervised data programming methods using these images as exemplars perform better than other state-of-the-art semi-supervised methods. Further, for the first time we demonstrate that this can be achieved through a small set of images used as exemplars.
• Abstract（参考訳）: 深層モデル、特に医療画像のトレーニングには大量のラベル付きデータが必要であるため、リソース制約された設定では実装ボトルネックが発生する。 Insite (labelINg Medical imageS usIng submodular funcTions and sEmi-supervised data programming)では、情報サブセットの選択を適用し、ドメインの専門家によって注釈付けされた巨大な未ラベルデータのプールから、少数の代表的または多様な画像を特定する。 新たにアノテートされた画像は、いくつかのデータプログラミング駆動ラベリング機能を開発するための例示として使用される。 これらのラベル付け機能は、未ラベル画像が入力として与えられると、予測ラベルと類似度スコアを出力する。 ラベルアグリゲータ関数を使用して、ラベルのない各データポイントに最終予測ラベルを割り当てることで、これらのラベル関数の出力間にコンセンサスがもたらされる。 これらの画像を用いた半教師付きデータプログラミング手法が,他の最先端半教師付き手法よりも優れた性能を示す。 さらに,本研究では,例示として使用する小さな画像セットを用いて,これを初めて実現できることを実証する。

関連論文リスト

• Leveraging Fixed and Dynamic Pseudo-labels for Semi-supervised Medical Image Segmentation [7.9449756510822915]
  半教師付き医用画像セグメンテーションは、注釈のないデータを利用する能力によって、関心が高まりつつある。 現在の最先端の手法は、主にコトレーニングフレームワーク内の擬似ラベルに依存している。 本稿では,同一の未注釈画像に対する複数の擬似ラベルを用いてラベルのないデータから学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-12T11:30:01Z)
• Pseudo Label-Guided Data Fusion and Output Consistency for Semi-Supervised Medical Image Segmentation [9.93871075239635]
  より少ないアノテーションで医用画像のセグメンテーションを行うための平均教師ネットワーク上に構築されたPLGDFフレームワークを提案する。 本稿では,ラベル付きデータとラベルなしデータを組み合わせてデータセットを効果的に拡張する,新しい擬似ラベル利用方式を提案する。 本フレームワークは,最先端の6つの半教師あり学習手法と比較して,優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-11-17T06:36:43Z)
• Dual-Perspective Semantic-Aware Representation Blending for Multi-Label Image Recognition with Partial Labels [70.36722026729859]
  本稿では,多粒度カテゴリ固有の意味表現を異なる画像にブレンドした,二重パースペクティブな意味認識表現ブレンディング(DSRB)を提案する。 提案したDSは、すべての比率ラベル設定において、最先端のアルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2022-05-26T00:33:44Z)
• Heterogeneous Semantic Transfer for Multi-label Recognition with Partial Labels [70.45813147115126]
  部分ラベル付きマルチラベル画像認識(MLR-PL)は、アノテーションのコストを大幅に削減し、大規模なMLRを促進する。 それぞれの画像と異なる画像の間に強い意味的相関が存在することがわかった。 これらの相関関係は、未知のラベルを取得するために、既知のラベルが持つ知識を転送するのに役立ちます。
  論文  参考訳（メタデータ） (2022-05-23T08:37:38Z)
• OSSGAN: Open-Set Semi-Supervised Image Generation [26.67298827670573]
  我々は、オープンセット半教師付き画像生成と呼ばれる条件付きGANの挑戦的なトレーニング手法を導入する。 OSSGANは、未ラベルの画像が関心のクラスのうちの1つまたは2つに属しているかどうかに基づいて、差別者に決定の手がかりを提供する。 Tiny ImageNetとImageNetの実験結果は、教師付きBigGANおよび半教師付きメソッドよりも顕著に改善されている。
  論文  参考訳（メタデータ） (2022-04-29T17:26:09Z)
• Semantic-Aware Representation Blending for Multi-Label Image Recognition with Partial Labels [86.17081952197788]
  そこで我々は,未知のラベルを補うために,異なる画像にカテゴリ固有の表現をブレンドして,既知のラベルの情報を伝達することを提案する。 MS-COCO、Visual Genome、Pascal VOC 2007データセットの実験は、提案されたSARBフレームワークが、現在の主要な競合相手よりも優れたパフォーマンスを得ることを示している。
  論文  参考訳（メタデータ） (2022-03-04T07:56:16Z)
• SCIDA: Self-Correction Integrated Domain Adaptation from Single- to Multi-label Aerial Images [30.12949142271464]
  画像分類のためのほとんどの公開データセットは単一のラベルでできており、画像は本質的に日々の生活の中でマルチラベル化されている。 自動多言語学習のための新しい統合ドメイン適応法(SCIDA)を提案する。 SCIDAは、大規模で公開可能なシングルラベル画像から、マルチラベル画像分類モデルを自動的に学習する弱い教師付きである。
  論文  参考訳（メタデータ） (2021-08-15T20:38:02Z)
• GuidedMix-Net: Learning to Improve Pseudo Masks Using Labeled Images as Reference [153.354332374204]
  半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。 まず、ラベル付きデータとラベルなしデータの間に特徴アライメントの目的を導入し、類似した画像対をキャプチャする。 MITransは、ラベルなしデータのさらなるプログレッシブな精細化のための強力な知識モジュールであることが示されている。 ラベル付きデータに対する教師付き学習とともに、ラベル付きデータの予測が生成した擬似マスクとともに学習される。
  論文  参考訳（メタデータ） (2021-06-29T02:48:45Z)
• Instance-Aware Graph Convolutional Network for Multi-Label Classification [55.131166957803345]
  グラフ畳み込みニューラルネットワーク(GCN)は、マルチラベル画像認識タスクを効果的に強化した。 マルチラベル分類のための事例対応グラフ畳み込みニューラルネットワーク(IA-GCN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-19T12:49:28Z)
• ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
  教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。 医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-24T04:05:12Z)
• Generative Adversarial Data Programming [32.2164057862111]
  本稿では,ラベル付け機能を用いた遠隔監視信号を用いて,与えられたデータのラベルをほぼ一定時間で取得できることを示す。 このフレームワークは、自己教師付きラベル付き画像生成、ラベル付き画像生成へのゼロショットテキスト、転送学習、マルチタスク学習など、さまざまな設定に拡張されている。
  論文  参考訳（メタデータ） (2020-04-30T07:06:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。